锂离子电池荷电状态估算的新方法，估算结果快速精确

实验结果表明，基于GRU-RNN和HKF融合方法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算，而且能够降低测量误差及异常值对估算结果的影响，使锂离子电池SOC估算结果快速且精确收敛。

在现代化电力系统中，储能装备所起到的作用越来越重要，其意义主要包括：削峰填谷，实现电力系统能量灵活的管理和应用；提高电力系统可靠性，在故障时提供临时电能支撑；改善电能质量和特性；满足高能量大功率用电设备需求。

常见的储能方式包括抽水储能、压缩空气储能、飞轮储能、超级电容储能、超导磁储能、铅酸电池储能、锂离子电池储能等。其中，锂离子电池因其高能量密度、高功率密度、清洁可靠等优点，已经在便携式电子设备、电动车辆和固定储能装置中获得了广泛应用。

作为储能分系统中的重要储能元件，锂离子电池的运行状态对电力系统能源调配策略非常重要，因此，需要获取锂离子电池状态信息并对其进行管理。其中，荷电状态（State of Charge, SOC）是锂离子电池重要的状态信息之一，其被定义为剩余电量与额定电量之比，用来衡量锂离子电池中可用的电量，代表锂离子电池的续航能力，类似于汽车“油表”的功能。

然而，锂离子电池SOC无法通过仪器测量直接获取，需要通过仪器测量电压、电流、温度等间接进行估算。而由于锂离子电池的时变性、非线性以及电化学反应的不确定性等因素，电压、电流、温度与SOC之间的关系变得难以刻画，使得锂离子电池SOC获取成为一大难题。

为了解决以上问题，研究人员提出了大量锂离子电池SOC估算方法，主要分为安时积分法、开路电压法、电化学阻抗法、基于模型的方法、数据驱动的方法和融合方法。

其中，安时积分法根据电量的定义对电流连续检测并进行积分得到电池释放或吸收的电量，虽然被广泛应用，但其无法获取初始SOC，需要结合其他方法使用。

开路电压法通过观察电池开路电压（Open Circuit Voltage, OCV），利用开路电压和SOC之间的关系获得SOC，但充电和放电阶段OCV-SOC的关系曲线不一致且中间段曲线平缓，不易于SOC辨识。另外，还需要将电池长时间静置才可以获得稳定的开路电压，因此开路电压法无法满足SOC实时在线的估算需求。

电化学阻抗法则是通过测量电池交流内阻获取SOC，但电池交流内阻受外部环境影响较大，且阻值难以测量，该方法一般适用于实验室研究，无法应用到实际中。

基于模型的方法采用观测器或滤波器框架，将电池SOC作为状态量，并将安时积分法和电池模型分别作为状态方程和观测方程，通过观测方程获得的结果进行递推式修正状态量，进一步实现电池SOC估算。

常见的观测器和滤波器包括卡尔曼滤波器、粒子滤波器、H∞观测器、滑模观测器等，采用的电池模型主要包括电化学模型、等效电路模型、热模型和拟合模型等。虽然基于模型的方法能够实现锂离子电池SOC估算，但是电池内部复杂的化学反应和动态变化的外部环境，使得难以建立准确的电池模型。

此外，基于模型的方法需要花费较大的计算资源对模型参数不断进行辨识，这在一定程度上限制了该类方法的应用。数据驱动的方法通过机器学习算法来学习电池外部可观测量和SOC之间复杂的非线性关系，避免了对锂离子电池内部机理和模型的精确研究，在电池SOC估算中也得到了广泛应用。这类方法主要采用支持向量机、模糊逻辑、神经网络等机器学习方法。

对于数据驱动的方法而言，SOC估算结果与训练集的选取有关，训练集与所应用的电池工况越相似，则锂离子电池SOC估算结果越准确。融合模型将上述方法中的两种或多种进行组合，以弥补单一方法的缺陷并保留各自优势，目前也得到了广泛应用。

这类方法的融合形式主要以数据驱动方法与滤波方法结合以及滤波方法自身结合为主，包括支持向量机与卡尔曼滤波方法结合、模糊控制与卡尔曼滤波结合、神经网络与卡尔曼滤波结合、粒子滤波与卡尔曼滤波结合等。

以数据驱动与滤波方法结合的融合模型，一方面能够利用数据驱动的方法表示非线性关系且易于实现，另一方面能够结合滤波方法迭代收敛的特性实时修正模型输出，目前已经成为实现锂离子电池SOC估算的有效方法。但以上方法由于未考虑时序因素的影响，因而无法较好地处理时间递归问题。

对于锂离子电池而言，SOC是时变状态量，其历史状态对当前状态的影响是无法忽视的。另外，为了实现锂离子电池SOC的精确估计，算法必须对噪声具有鲁棒性。因此，舰船综合电力技术国防科技重点实验室（海军工程大学）的研究人员，对卡尔曼滤波器进行鲁棒性改进，并在改进卡尔曼滤波方法的框架下，分别引入安时积分法和考虑时序因素影响的循环神经网络，提出了一种基于门控循环单元神经网络（Recurrent Neural Network with Gated Recurrent Unit, GRU-RNN）和Huber-M估计鲁棒卡尔曼滤波（Huber-M Robust Kalman Filter, HKF）融合方法的锂离子电池SOC估算模型，对动态工况下的锂离子电池SOC进行估算。

该方法在Huber-M估计鲁棒卡尔曼滤波方法的基础上，将安时积分法所使用的库仑计量公式作为状态方程，并将基于GRU-RNN的锂离子电池SOC估算结果作为观测量，从而实现了锂离子电池SOC的估算，整体研究思路如图1所示。

图1 研究思路

该方法具有以下优点：

①GRU-RNN能够考虑时序因素对于锂离子电池SOC的影响，具有较高的估算精度，同时能为HKF的状态方程提供准确的初始值，使滤波算法更快地收敛；②HKF能够提高GRU-RNN的鲁棒性，降低电压、电流、温度传感器测量误差和偶发性测量异常值以及SOC初始误差对锂离子电池SOC估算精度影响，进一步提升模型估算精度；③库仑计量公式是对锂离子电池SOC随时间变化过程的描述，采用库仑计量公式作为锂离子电池状态方程，即使GRU-RNN的估算结果出现较大误差，依然能够保证最终锂离子电池SOC估算结果的精确性。

图2 基于融合方法的锂离子电池SOC估算模型

研究人员在六种锂离子电池运行工况和三种异常工况下验证了模型的精确性和鲁棒性。实验结果表明，该模型在三个温度下Panasonic 18650PF锂离子电池测试数据集和锂离子电池大倍率脉冲放电测试数据集上的最大MAE分别为0.56%和1.78%，最大MAX分别为2.39%和4.12%，最大RMSE分别为0.7%和2.01%。

该模型将GRU-RNN和HKF进行融合，一方面能够通过HKF强化GRU-RNN的鲁棒性，降低电压、电流、温度传感器噪声和异常值以及SOC初始误差对锂离子电池SOC估算精度的影响；另一方面，GRU-RNN能够为HKF提供准确的初始值，使滤波算法更快地收敛。

另外，由于HKF的状态方程采用库仑计量公式，即使GRU-RNN出现较大误差，依然能够保证锂离子电池SOC估算精度。下一步将针对该算法的实用性进行研究并在装置中进行实际应用。此外，还可以在当前增加算法鲁棒性的基础上，进一步考虑算法自适应能力的提升，研究一种自适应且鲁棒的SOC估算方法，从而使算法对不同电池对象和使用工况的变化具有自适应能力。

以上研究成果发表在2020年第9期《电工技术学报》，论文标题为“基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法”，作者为李超然、肖飞、樊亚翔、杨国润、唐欣。

「干货」电动汽车电池SOC估算方法综述

SOC（State of Charge），即电池的剩余电量，也称为荷电状态。表示电池使用或长期搁置一段时间后，其剩余容量 与总的可用容量 的比值，常用百分数表示。

对电池SOC的准确估算，既是电动汽车估算续航里程最基本的要求，又是提升电池利用效率和安全性能的基本保证。

安时积分

经典的SOC估算一般采用安时积分法（也叫电流积分法或者库仑计数法）。即电池充放电时，通过累积充进和放出的电量来估算SOC。

简化公式如下：

从以上公式不难看出，但该估算方法存在着误差，主要来源于三个方面：

1. 电流采样造成误差

2. 电池容量变化造成误差

3. SOC

安时积分法只单纯从外部 记录进出电池的电量，但忽略了电池内部状态 的变化。同时电流测量不准，造成SOC计算误差会不断累积 ，需要定期不断校准。

开路电压法

一般校准方法采用开路电压法。其原理是利用电池在长时间静置的条件下，开路电压与SOC存在相对固定的函数关系，从而根据开路电压来估算SOC。

开路电压法简单便捷，但也存在很多缺点：

1. 电池须经过长期静置，但电动汽车启动频繁，开路电压短时间内很难稳定；

2. 电池存在电压平台，特别是磷酸铁锂电池，在SOC30%-80%期间，端电压和SOC曲线近似为直线；

3. 电池处于不同温度或不同寿命时期，尽管开路电压一样，但实际上的SOC差别可能较大；

下图为磷酸铁锂电池（LiFePO4）开路电压与SOC关系图：

除了开路电压法外，还有内阻测量法 ，放电实验法 等。但由于电池内阻不易测量，放电时间过长，放电过程中电池无法工作，上述方法均只能在实验室条件下操作。

卡曼滤波法

卡尔曼滤波已广泛应用于航天、通信、导航、控制、图像处理等领域。对于动力电池采用卡尔曼滤波进行SOC估算，是当前非常主流的一个方向。

卡曼滤波的核心思想是：根据当前仪器的“测量值 ”，上一刻的“预测量 ”，以及“误差 ”，来计算得到当前的“最优值 ”。

其亮点是把误差（预测误差和测量误差，通称为噪声）纳入了计算，误差独立存在，不受测量数据的影响。

卡曼滤波法适用于各种类型不同老化阶段的电池，其精确性很大程度依赖于电池等效模型的建立，计算量比较大。

神经网络

近年来，人工智能方法也被应用于电池SOC估算中，目前主流采用的是BP（back propagation）神经网络法。

神经网络法是模拟人脑及神经元来处理非线性系统 的新型算法。无需深入研究电池的内部结构，只需提前从电池中提取出符合工作特性的输入与输出样本，并将其输入到建立系统中，就能获得运行中的SOC 值。

该方法后期处理相对简单，即能有效避免卡曼滤波法中需要将电池模型作线性化处理后带来的误差，又能实时地获取电池的动态参数。

但神经网络法需要大样本数据，样本对训练结果有重大影响，需要筛选合适样本，取样工作量大。

小结

虽然电动汽车已量产多年，但实际上对于电池SOC估算的技术还远不成熟 。

估算方法虽然很多，但都存在一定的缺陷，卡曼滤波或者神经网络大部分都是处于paper work阶段。在实际应用中，一般是在安时积分基础上再加入一些影响因子进行校正。

对于未来，随着电池数据库不断积累，电流电压测量精度进一步提高，电池模型更加精确的引入，SOC的算法将进一步与整车控制器进行结合，朝着简单，高效，准确，便宜的方向上发展。

参考文献

“详解卡尔曼滤波原理”，engineerlixl 的CSDN 博客；

“卡尔曼滤波，最最容易理解的讲解，找遍网上就这篇看懂了”，走错路的程序员的CSDN 博客；

“电动汽车动力电池SOC估算方法综述”，华周发，李静《电源技术》；

“对SOC/SOH算法的一些思考“，乔昕；

相关问答

锂电池的重量是与其电容量有关系的;例如目前国产锂电池的电容量约是120Wh/kg;不同锂电池的重量会有一些差异;当知道锂电池容量时,可以根据以上方法...

[最佳回答]电能W=Pt=UIt=3.6V*0.9A*3600s=11664J

理论值算法就是单位电池的固体粉料重量除以总重量,注意如果电池原料中有胶体的,需将胶体中的固体含量加入固体粉料里面计算。锂电池的重量是与其电...

[最佳回答]900mAh═900×1×10-3A×3600s=3240C,该手机电池可储存的电能W=UIt=UQ=3.6V×3240C=1.1664×104J.故答案为:1.1664×104.900mAh═90...

锂电池寿命一般是3-5年,但是该数据只能作为参考,因为每个人使用电池的充电方式、使用环境等条件都存在差异,锂电池的充电循环次数大概在500次左右,锂电池寿命...

[最佳回答]900mAh═900×1×10-3A×3600s=3240C,该手机电池可储存的电能W=UIt=UQ=3.6V×3240C=1.1664×104J.故答案为:1.1664×104.900mAh═90...

锂电池寿命一般是3-5年,但是该数据只能作为参考,因为每个人使用电池的充电方式、使用环境等条件都存在差异,锂电池的充电循环次数大概在500次左右,锂电池寿命...

180安锂电池5000千瓦电机可以跑大约多少公里。2电动车的续航里程主要取决于电池容量和电机功率。80安锂电池和5000千瓦电机的组合意味着电池容量为80安时,电...

根据国家规定,电动汽车动力电池容量衰减到新电池状态的80%以下,可视作动力电池使用寿命的终结。按照目前三元锂电池的技术水平,也是电动汽车普遍使用的动力电...

[最佳回答]由电流的定义式I=Qt得:Q=It=900mAh=900×1×10-3A×3600s=3120C,该手机电池可储存的电能W=UIt=UQ=3.6V×3120C=11232J.故答案为:11232.由...